食品浪费是一个挥之不去的问题，沉重地影响着全球的食品生产、分销和销售行业——但新一代人工智能传感器正在带来一系列新的解决方案。食品工业中人工智能的普及迅速，这也是弗林德斯大学研究人员与国际研究团队合作，构建了首个全面介绍食品行业人工智能技术的原因。

“许多集成人工智能的传感器实例被用于食品行业的产品安全、质量维护和生产效率优化，”弗林德斯大学ARC未来研究员副教授Vi-Khanh Truong解释道。“该评审强调了人工智能集成感测系统在供应链中减少能源消耗、燃料消耗和食品浪费的强大潜力。”

例如，AI辅助的精密干燥系统能够实时识别最佳加工条件，显著减少食品脱水过程中的过剩能量消耗。同样，智能的腐败预测系统可以防止食品过早处置，减少与食物浪费相关的经济损失和温室气体排放。

“全球食品供应链面临着对不仅准确、快速、无损且可扩展的监测系统日益增长的需求。这是因为传统的实验室方法，如气相色谱、微生物板和感官面板，往往具有破坏性、耗时，存在瓶颈阻碍实时质量控制，并且需要专业人员。”

研究人员发现了食品行业正在集成的多种智能传感系统，包括AI驱动的光学传感器、高光谱成像系统、电子鼻（e-noses）、电子舌（e-tongues）、拉曼光谱、FT-IR光谱、微波传感平台、物联网集成低功耗传感器、石墨烯化学传感器、等离激元传感器以及机器学习辅助多感官阵列。

“通过实现实时监控和预测分析，这些智能系统能够优化食品加工条件，减少不必要的运输和储存损失，降低制冷能源需求，并提升物流效率，”Truong副教授表示。

该综述发表于《食品成分与分析杂志》，涵盖了主要人工智能框架，包括支持向量机（SVM）、随机森林、k最近邻（KNN）、卷积神经网络（CNN）、长短期记忆（LSTM）模型、自编码器以及用于食品质量、变质检测、掺假分析和供应链优化的集合学习系统。

综述中重点介绍的显著例子包括拉曼光谱与SVM结合，在检测牛奶掺假方面达到高达99.6%的准确率;结合人工智能模型的FT-IR光谱实现100%的食用油鉴定分类准确率;以及结合CNN模型的高光谱成像技术，使辣椒在症状出现前能及早发现疾病。

低功耗物联网传感器与TinyML边缘计算平台的集成尤为重要，因为这些系统在能耗极低的情况下运行，同时实现了在存储、运输和生产环境中的持续监控。

“这些技术共同支持了一个更可持续、更高效的食品产业，通过减少废弃物产生、降低燃料和电力消耗，以及提升整体供应链的可持续性。”

综述还讨论了能够以97.5%准确率识别咖啡豆地理来源的人工智能辅助电子鼻子系统，以及针对肉类、鱼类、水果和乳制品的机器学习辅助变质预测系统。

这些技术展示了人工智能如何提升食品安全、减少浪费、提升可追溯性，并实现供应链的实时质量监控。

“机器学习模型的选择主要决定了回归误差和预测准确性，”Truong副教授说。“这项工作展示了机器学习模型在多种环境条件下提升传感器响应的能力，包括温度、pH值、湿度和压力。”

与机器学习辅助传感器阵列配套使用的无线通信也提升了网络效率，优化了资源利用，并提升了预测分析能力。

Truong副教授现在预测，食品行业中机器学习模型和传感器的组合将大幅增加，以进一步优化靶向分析的选择，并以更少的机器学习训练周期实现完全准确。

"由于食品传感器具有优异的电化学特性，已使用多种纳米材料制造，但我们相信这些传感器的选择可以改进，以检测更多可能的分析方式——这将使感测系统能够包含多种机器学习模型，以检测食品材料中各种污染物。”

更多信息

Qiaoxia Zhan 等，《食品行业中的基于人工智能的感测解决方案综述》，《食品成分与分析杂志》（2026年）。DOI：10.1016/j.jfca.2026.109179